目錄

1、訓(xùn)練過程（創(chuàng)建分類器）

1.1、目標(biāo)對象數(shù)據(jù)樣本

1.2、目標(biāo)對象分類器配置

1.3、目標(biāo)對象分類器訓(xùn)練

1.4、目標(biāo)對象分類器輸出和評估

2、分類與識別

---

目標(biāo)對象分類是指將未知樣品的形狀、顏色、紋理等顯著特征組成的向量與代表某一類樣本的特征向量（Feature Vector）進行比較，根據(jù)其匹配程度識別未知樣品類別歸屬的過程。

目標(biāo)對象分類是機器視覺領(lǐng)域非常活躍的研究方向，在工業(yè)領(lǐng)域有極其廣泛的應(yīng)用，例如對生產(chǎn)線上的零件按形狀、顏色等特征分揀，統(tǒng)計具有某種特征的零件，或通過辨別目標(biāo)的類別進行質(zhì)量檢測等。

目標(biāo)分類通常包括訓(xùn)練（Training，也稱為學(xué)習(xí)）和分類（Classification）兩個過程。

• 訓(xùn)練過程用于創(chuàng)建分類器（Classifier），包括樣本收集、分類器配置（確定特征向量和設(shè)置控制參數(shù))、樣本訓(xùn)練、分類器評測和保存等步驟，它既可以基于已有樣本集合（Sample Set）一次性完成，也可以通過不斷向樣本集添加樣本來漸進完成。訓(xùn)練過程完成后會得到包含各樣本特征向量值及其類別歸屬信息的分類器。一般來說，樣本集中屬于同一類別的樣本應(yīng)具有相似的特征向量值，而類間距則應(yīng)足夠大。
• 分類過程包括圖像預(yù)處理、特征提取、特征計算、特征分類及分類結(jié)果評測等步驟。分類結(jié)束后，未知類別的樣本被設(shè)置某一類別標(biāo)記。

?下圖分別顯示了訓(xùn)練和分類兩個階段的流程圖：

1、訓(xùn)練過程（創(chuàng)建分類器）

訓(xùn)練是目標(biāo)分類的兩個過程之一，它主要用于生成包含各個樣本特征向量值及其類別歸屬信息的分類器。分類器基于事先收集的訓(xùn)練樣本集來創(chuàng)建，其中每個樣本的類別歸屬已知。樣本集確定后，就要對分類器進行配置，以確定訓(xùn)練過程所依據(jù)的特征向量并設(shè)置控制參數(shù)。

訓(xùn)練時，系統(tǒng)會計算和記錄每個樣本的特征向量值，并對樣本進行分類，同時記錄樣本的類別信息。訓(xùn)練階段結(jié)束后，分類器可輸出各類中樣本的數(shù)量、類標(biāo)記、類內(nèi)分離度以及類間距等信息。若要得知分類器的優(yōu)劣，可通過計算分類器的可預(yù)測性（Predictability）、準(zhǔn)確性（Accuracy）和交叉驗證的穩(wěn)定性（CrossValidation Stability）指標(biāo)對分類器進行定量評價。

下圖對分類器的創(chuàng)建和操作相關(guān)的關(guān)鍵信息進行了匯總：

1.1、目標(biāo)對象數(shù)據(jù)樣本

用于訓(xùn)練的樣本集合中的樣本可以一次性收集完成，也可以漸進增減的方式來收集。

• 若收集的樣本類別歸屬已知，就可直接為樣本設(shè)置類標(biāo)簽（Class Label）。否則，則要通過聚類（Clustering）過程對樣本進行歸類。
• 若所有參與訓(xùn)練的樣本都有類標(biāo)簽，則稱訓(xùn)練為有監(jiān)督（Supervised）訓(xùn)練；若樣本均無類標(biāo)簽，則稱訓(xùn)練為無監(jiān)督（Unsupervised）訓(xùn)練；
• 若樣本和其歸屬的類別信息并不完全，則訓(xùn)練過程稱為半監(jiān)督（Semi-Supervised）訓(xùn)練，例如只有部分樣本有明確的類標(biāo)簽，或僅已知樣本可能得歸屬的幾種類信息，但尚未確定每個樣本的類別歸屬等。

樣本集合的優(yōu)劣可以通過類內(nèi)分離度（Intraclass Deviation）和類間距（Interclass Distance）兩個指標(biāo)來衡量。由于樣本集合中屬于同一類別的樣本一般具有相似的特征向量值，因此同一類內(nèi)的樣本分離度應(yīng)較小，而類與類之間的距離應(yīng)足夠大。

1.2、目標(biāo)對象分類器配置

確定了訓(xùn)練的樣本數(shù)據(jù)集后，就需要對分類器進行配置，以確定訓(xùn)練過程對樣本進行分類時所依據(jù)的特征向量，設(shè)置特征提取過程的參數(shù)，以及訓(xùn)練過程是否要對樣本的尺度、旋轉(zhuǎn)和鏡像保持不變性等。

由于訓(xùn)練過程和分類過程需要使用相同的特征向量，因此確定訓(xùn)練樣本集特征向量的過程實際上就是為整個訓(xùn)練和分類過程指定特征向量的過程。

對機器視覺分類系統(tǒng)來說，樣本特征向量通常由二值化后的顆粒特征、目標(biāo)的顏色、紋理或其他自定義的特征構(gòu)成，以顏色和紋理構(gòu)建特征向量的分類器配置較為直接。

基于自定義特征向量的分類器需要事先從圖像中提取特征，構(gòu)建自定義的特征向量。基于顆粒特征向量的分類器則根據(jù)預(yù)定義的特征向量，在保持尺度、旋轉(zhuǎn)和鏡像不變的情況下，根據(jù)目標(biāo)形狀對其進行分類。

以下以基于顆粒特征向量的分類器為例，介紹分類器的配置。

一般來說，基于顆粒特征向量的分類器能對滿足以下3個條件的樣本進行準(zhǔn)確分類:

• 機器視覺光源為背光照射方式；
• 圖像中樣本各部分相互連通；
• 圖像中樣本各部分為實心填充，不含其他灰度特征。

下圖給出了基于顆粒特征向量進行分類的系統(tǒng)中理想樣本和非理想樣本的實例。

Nl Vision使用8個顆粒分析的特征來構(gòu)建顆粒特征向量，以實現(xiàn)對樣本或被測目標(biāo)按其形狀的訓(xùn)練和分類。也就是說，Nl Vision基于顆粒特征向量的函數(shù)，內(nèi)置了對目標(biāo)按形狀進行分類的特征向量。

用于構(gòu)建特征向量的8個顆粒特征如下表所示：

Nl Vision將基于顆粒特征創(chuàng)建的特征向量稱為形狀描述符（Shape Descriptor)。根據(jù)訓(xùn)練和分類過程對目標(biāo)尺度不變性（Scale lnvariant）、旋轉(zhuǎn)不變性（RotationInvariant）或鏡像對稱不變性（Mirror Symmetry lnvariant）的要求，形狀描述符可以由上表中8個特征中的一個或多個構(gòu)成。

Nl Vision基于形狀描述符進行樣本訓(xùn)練或目標(biāo)分類時，支持旋轉(zhuǎn)、尺度和鏡像對稱不變性。也就是說，訓(xùn)練或分類過程僅根據(jù)與形狀相關(guān)的特征進行，即使目標(biāo)已被旋轉(zhuǎn)、縮放或鏡像對稱，只要其形狀特征未發(fā)生變化，都能被正確訓(xùn)練和分類。

下圖給出了一個基于形狀描述符的訓(xùn)練或分類過程，支持尺度、旋轉(zhuǎn)和鏡像對稱不變性的示例。

1.3、目標(biāo)對象分類器訓(xùn)練

完成分類器的配置后，就可以對樣本集合中的各個樣本進行訓(xùn)練。

訓(xùn)練過程實際是計算各個樣本特征向量的值并按照分類方法對該值進行歸類的過程。

常用的分類方法包括最鄰近法（Nearest Neighbor）、K-鄰近法（K-Nearest Neighbor，KNN）、最小平均距離（Minimum Mean Distance）和支持向量機 (Support Vector Machine，SVM）4種。

1.4、目標(biāo)對象分類器輸出和評估

根據(jù)以上幾節(jié)論述，在對分類器的訓(xùn)練過程結(jié)束后，應(yīng)確定下列與分類器和樣本相關(guān)的信息：

• 樣本集中的樣本被訓(xùn)練為哪幾類；
• 每類中樣本的數(shù)量；
• 每個類中樣本的分離度；
• 類與類的間距；
• 分類器所使用分類方法（引擎）的相關(guān)信息等。

因此，正常情況下這些信息都應(yīng)在分類器訓(xùn)練過程結(jié)束后作為分類器的輸出信息提供給其他程序代碼使用。在程序運行過程中，這些信息可由程序代碼引用分類器會話獲得。若要離線使用這些信息，則需要將它們保存在分類器文件中，以備后續(xù)讀取訪問。

可以基于對樣本的分類訓(xùn)練結(jié)果來計算分類器對某一類的預(yù)測準(zhǔn)度（Classifier Predictability）和分類準(zhǔn)確性（Classifier Accuracy），并進而評價分類器的質(zhì)量。分類器的預(yù)測準(zhǔn)度是指將樣本分類到某一指定類別時樣本屬于該指定類的概率。

假定分類器使用的樣本集含有30個樣本，其中屬于A、B、C 3個類的樣本各占10個。若某一分類器對樣本集進行訓(xùn)練分類后的分布如下表所示，則依據(jù)樣本分類分布表可計算分類器預(yù)測準(zhǔn)度和分類準(zhǔn)確性。

例如第一列中，分類至A類的14個樣本中有10個來自A類的正確分類樣本和4個來自C類的錯誤樣本，由此可知，分類器對A類的預(yù)測準(zhǔn)度為71%。表中的各行表示屬于每類的樣本被分類器分至不同類的情況。例如表中第二行，10個屬于B類的樣本有8個被正確分類，2個被錯誤地分至C類，因此分類器對B類的分類準(zhǔn)確性為80%。

2、分類與識別

基于樣本數(shù)據(jù)集完成訓(xùn)練過程后，即可得到包含樣本數(shù)量、類別、特征以及分類方法等信息的分類器。而使用該分類器，就能將未知類別的目標(biāo)與分類器中的樣本進行比較，以實現(xiàn)目標(biāo)的分類、統(tǒng)計或質(zhì)量檢測等應(yīng)用。

目標(biāo)的歸類、分揀或統(tǒng)計的應(yīng)用實現(xiàn)思路較為直接，一般使用訓(xùn)練得到的顏色、形狀、紋理或自定義特征分類器對目標(biāo)直接進行分類，并根據(jù)結(jié)果控制執(zhí)行機構(gòu)動作。例如，基于目標(biāo)分類的質(zhì)量檢測應(yīng)用則不僅需要使用訓(xùn)練得到的分類器對被測件進行分類識別，還要按照分類結(jié)果的可信度（ClassificationConfidence）和識別結(jié)果的可信度（ldentification Confidence）的大小來判斷被測件的合格性。

總結(jié)

以上是生活随笔為你收集整理的LabVIEW目标对象分类识别（理论篇—5）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。